1 主题

🐊 主题曲 🐊

我们的政策是让一部分人、一部分地区先富起来，以带动和帮助落后的地区，先进地区帮助落后地区是一个义务。

————邓小平1986年3月28日在会见新西兰总理朗伊时说

《万般皆下品，唯有读书高》
习李经济，一带一路；
九二共识，量化对冲。
鞭策六四，铲除黑帮；¹
推广量化，提倡学术。
百家争鸣，振兴中华；
学海无涯，唯勤是岸。

《量化短歌行》
高频量化，人生几何？，
譬如朝露，去日苦多。
慨当以慷，忧思难忘；
何以解忧，唯有陆羽（三战）。
青青子衿，悠悠我心；
但为君故，沉吟至今。
呦呦鹿鸣，食野之苹；
我有鸿门，鼓瑟吹笙。
明明如日，何时可掇?
忧从中来，不可断绝。
越陌度阡，枉用相存；
契阔谈宴，心念旧恩。
月明星稀，乌鹊南飞；
绕树三匝，何枝可依？
春秋战国，卐家争鸣（🇩🇪德意志崇祯）；
北京鸟巢，卐鸟归巢（🇩🇪德意志崇祯）。
辛亥革命，根除巫裔；
终止疫情，拯救全球。
山不厌高，海不厌深；
周公吐哺，天下归心。

家翁ξηg Tεηg

世间再无祖父黄实田，外祖母郑邓

FRA : Elle me dit

CHN : 她对我说

ENG : She told me

JPN : 彼女は私に言う

FRA : écris une chanson contente

CHN : 写一首欢快的歌

ENG : Write a happy song

JPN : 幸せな歌を書く

FRA : Pas une chanson déprimante

CHN : 而不是悲伤的歌

ENG : Not a depressing song

JPN : 気のめいるような歌ではない

FRA : Une chanson que tout le monde aime

CHN : 一首让所有人都喜欢的歌

ENG : A song that everyone loves

JPN : みんなが大好きな曲

FRA : Elle me dit

CHN : 她对我说

ENG : She told me

JPN : 彼女は私に言う

FRA : Tu deviendras milliardaire

CHN : 你将成为亿万富翁

ENG : You will become a millionaire

JPN : あなたは億万長者になります

FRA : Tu auras de quoi être fier

CHN : 你将为此感到骄傲

ENG : You will be proud

JPN : あなたは誇りに思うでしょう

2 设定

2.1 SCSS 设置

# install.packages('remotes', dependencies = TRUE, INSTALL_opts = '--no-lock')
library('BBmisc', 'rmsfuns')
#remotes::install_github("rstudio/sass")
lib('sass')

## Loading required package: sass

## sass 
## TRUE

## https://support.rstudio.com/hc/en-us/articles/200532197
## https://community.rstudio.com/t/r-does-not-display-korean-chinese/30889/3?u=englianhu
#Sys.setlocale("LC_CTYPE", "en_US.UTF-8")
#Sys.setlocale("LC_CTYPE", "zh_CN.UTF-8")
#Sys.setlocale(category = "LC_CTYPE", "Chinese (Simplified)_China.936")
#Sys.setlocale(locale = "Chinese")
#Sys.setlocale(locale = "Japanese")
#Sys.setlocale(locale = "English")

# rmarkdown::render('/home/englianhu/Documents/owner/ryo-cn.Rmd',  encoding = 'UTF-8')
#Sys.setlocale("LC_CTYPE", "UTF-8")
#Sys.setlocale(locale = "UTF-8")
#Sys.setlocale(category = "LC_ALL", locale = "chs")
#Sys.setlocale(category = "LC_ALL", locale = "UTF-8")
#Sys.setlocale(category = "LC_ALL", locale = "Chinese")
#Sys.setlocale(category = "LC_ALL", locale = "zh_CN.UTF-8")
Sys.setlocale("LC_ALL", "en_US.UTF-8")

## [1] "LC_CTYPE=en_US.UTF-8;LC_NUMERIC=C;LC_TIME=en_US.UTF-8;LC_COLLATE=en_US.UTF-8;LC_MONETARY=en_US.UTF-8;LC_MESSAGES=C;LC_PAPER=C;LC_NAME=C;LC_ADDRESS=C;LC_TELEPHONE=C;LC_MEASUREMENT=C;LC_IDENTIFICATION=C"

/* https://stackoverflow.com/a/66029010/3806250 */
h1 { color: #002C54; }
h2 { color: #2F496E; }
h3 { color: #375E97; }
h4 { color: #556DAC; }
h5 { color: #92AAC7; }

/* ----------------------------------------------------------------- */
/* https://gist.github.com/himynameisdave/c7a7ed14500d29e58149#file-broken-gradient-animation-less */
.hover01 {
  /* color: #FFD64D; */
  background: linear-gradient(155deg, #EDAE01 0%, #FFEB94 100%);
  transition: all 0.45s;
  &:hover{
    background: linear-gradient(155deg, #EDAE01 20%, #FFEB94 80%);
    }
  }

.hover02 {
  color: #FFD64D;
  background: linear-gradient(155deg, #002C54 0%, #4CB5F5 100%);
  transition: all 0.45s;
  &:hover{
    background: linear-gradient(155deg, #002C54 20%, #4CB5F5 80%);
    }
  }

.hover03 {
  color: #FFD64D;
  background: linear-gradient(155deg, #A10115 0%, #FF3C5C 100%);
  transition: all 0.45s;
  &:hover{
    background: linear-gradient(155deg, #A10115 20%, #FF3C5C 80%);
    }
  }

## 更换时间区域，保留日期时间。
Sys.setenv(TZ = 'Asia/Tapei')

## 忽略所有警讯
## https://stackoverflow.com/a/36846793/3806250
## 设置宽度
## options(knitr.table.format = 'html')将所有kableExtra图表一致设置为'html'格式，省略设置各别图表。
options(warn = -1, width = 999, knitr.table.format = 'html', 
        digits = 16, digits.secs = Inf)

## https://stackoverflow.com/questions/39417003/long-vectors-not-supported-yet-abnor-in-rmd-but-not-in-r-script
## https://yihui.org/knitr/options
knitr::opts_chunk$set(
  class.source = 'hover01', class.output = 'hover02', class.error = 'hover03', 
  message = FALSE, warning = FALSE, error = TRUE, 
  autodep = TRUE, aniopts = 'loop', progress = TRUE, verbose = TRUE, 
  cache = FALSE, cache.lazy = FALSE, result = 'asis')

2.2 设置

读取以下所需程序包。

## 读取程序包、设置编织与环境选项。
## 3210448065@qq.com
## leiou123

## 2849108450@qq.com
## leiou123
## https://rstudio.cloud/project/1198888

## 读取'BBmisc'程序包。
if(suppressMessages(!require('BBmisc'))){
  install.packages('BBmisc', dependencies = TRUE, INSTALL_opts = '--no-lock')
  suppressMessages(library('BBmisc'))
}
if (suppressMessages(!require('rmsfuns'))) {
  install.packages('rmsfuns', dependencies = TRUE, INSTALL_opts = '--no-lock')
  suppressMessages(library('rmsfuns'))
}

if(!require('REmap')) devtools::install_github('lchiffon/REmap')

## 一次性读取所需程序包。
library('dplyr', warn.conflicts = FALSE)
library('lubridate', warn.conflicts = FALSE)
conflict_prefer('filter', 'dplyr', quiet = TRUE)
conflict_prefer('select', 'dplyr', quiet = TRUE)
conflict_prefer('mutate', 'dplyr', quiet = TRUE)
conflict_prefer('rename', 'dplyr', quiet = TRUE)
conflict_prefer('collapse', 'dplyr', quiet = TRUE)
conflict_prefer('year', 'lubridate', quiet = TRUE)

程序包 <- c('devtools', 'knitr', 'kableExtra', 'tint', 'furrr', 'tidyr', 
          'readr', 'lubridate', 'data.table', 'reprex', 'stringr', 
          'feather', 'purrr', 'quantmod', 'tidyquant', 'tibbletime', 
          'timetk', 'plyr', 'dplyr', 'dbplyr', 'magrittr', 'sarima', 
          'tidyverse', 'memoise', 'htmltools', 'formattable', 'dtplyr', 
          'zoo', 'forecast', 'seasonal', 'seasonalview', 'rjson', 
          'rugarch', 'rmgarch', 'mfGARCH', 'sparklyr', 'jcolors', 'TSA', 
          'microbenchmark', 'dendextend', 'lhmetools', 'gtools', 
          'stringi', 'pacman', 'profmem', 'ggthemes', 'flyingfox', 
          'htmltools', 'echarts4r', 'viridis', 'hrbrthemes', 
          'fable', 'fabletools', 'Rfast', 'Metrics', 'MLmetrics')

# load_pkg(程序包)
suppressAll(lib(程序包))
load_pkg(程序包)
rm(程序包)

.路径 <- '/home/englianhu/Documents/GitHub/binary.com-interview-question-data/'

## 设置googleVis选项，促使plot.gvis只陈列HTML格式的完成品。
谷歌绘图设置 <- options(gvis.plot.tag = 'chart')

## <audio src='文艺坊曲库/bigmoney.mp3' autoplay controls loop></audio>

conflict_prefer('filter', 'dplyr', quiet = TRUE)
conflict_prefer('select', 'dplyr', quiet = TRUE)
conflict_prefer('mutate', 'dplyr', quiet = TRUE)
conflict_prefer('rename', 'dplyr', quiet = TRUE)
conflict_prefer('collapse', 'dplyr', quiet = TRUE)
conflict_prefer('year', 'lubridate', quiet = TRUE)
conflict_prefer('permutations', 'gtools', quiet = TRUE)

3 简介

Deriv.com - Interday High Frequency Trading Models Comparison Blooper科研论文中提及一些技术问题，故此使用Part I中的数据加以修饰并回测，再与Part II比较，筛选最优统计模型。

Deriv.com - Interday High Frequency Trading Models Comparison Review (Part I) (发布于RPubs.com)
Deriv.com - Interday High Frequency Trading Models Comparison Review (Part I) (发布于RStudioConnect.com)
Deriv.com - Interday High Frequency Trading Models Comparison Review (Part II) (发布于RPubs.com)
Deriv.com - Interday High Frequency Trading Models Comparison Review (Part II) (发布于RStudioConnect.com)

在此论文中，使用季节性自回归综合滑均模型系列。

季节性指数平滑模型（Seasonal Exponential Smoothing - Seasonal ETS）
外部因素周期性自回归综合滑均模型（ARIMAX）
季节性自回归综合滑均模型（SARIMA）
外部因素周期性季节性自回归综合滑均模型（SARIMAX）
外部因素周期性自回归分整综合滑均模型（Auto Regressive Fractionally Integrated Moving Average Exogenous - ARFIMAX）
多元季节性自回归综合滑均模型（Multi-Seasonal Time Series msts()）

#自动化 #科研科学 #尚未试驾尚未试驾🚗

引用：抖音 - 电动车

引用：Tumblr - Bayesian Hidden Markov Models for Time Series

辛亥革命，铲除巫裔；
终止屠杀，拯救全球。

咱们东南亚屠杀630万人类的巫师Judi邪教宦官巫裔博彩庄诸国

小时候都在日本动漫文化的环境下长大。小学时期在明智华校上学就已经学会万事具备，都会提前30分钟抵达做好准备才不会仓促。自从2002年学习日语后，由于平时从旺沙马朱宿舍到拉曼学院徒步上学需要时间提前准备，所以都会将时间设为提前20分钟，基于从旺沙马朱宿舍徒步耗时45分钟左右，索性设为提前一个小时，所以愚生将所有电子仪器的标准时间都一律设为日本标准时间，然后青梅竹马的郑添和同学问过我，我回答：“我的时间必须比别人快，我的世界必须比别人快，才能占有先机～”，所以设置提前一个小时日本标准时间，再提前一小时就看到是本土提前两个小时。自从2019年在菲律宾阿里与中国同胞工作离职后，就开始思考身为🇹🇼🇨🇳中华民族，岂能沦为（大化革新的）倭奴或者倭寇，所以目前的科研语言、时间标准、甚至编码，都一律使用汉字。由于数据上的交易时间出现时差的缘故，在读取数据后就将数据上的时间更换，添加一小时时差为中国标准时间，以确保时间规律计算方面，不会出错。

进程进度函数

运算进度表 <- function(导入数据, 起点 = NULL, 秒计 = 60, .匹配元素 = '^季节性自回归_', .周期性 = TRUE) {
  ## ------------- 定时查询进度 ----------------------
  ## 每分钟自动查询与更新以上模拟预测汇价进度（储存文件量）。
  require('magrittr')
  require('tibble')
  
  if(!is.data.frame(class(导入数据))) { 
    导入数据 %<>% data.frame
  }
  
  if (.周期性 == TRUE) {
    while(1) {
      cat('当前中国标准时间：', as.character(now('Asia/Shanghai')), '\n\n')
      
      日子 = as_date(导入数据$年月日时分) %>% 
            unique
      #过滤并忽略每周闭市价时间 --- 周六凌晨12点，然后每周闭市价时间点为周五11:59PM。
      日子 <- 日子[weekdays(日子) != 'Saturday']
      
        动态日 = 日子
        
        if(is.null(起点)) { 
            起点 = 日子[1]
        } else if (is.Date(起点)) { 
            起点 = as_date(起点)
        } else {
            起点 = as_date(导入数据$年月日时分) %>% 
            unique
        }
      
        日子 = 日子[日子 >= 起点]
      
      布告栏 = list.files(
        paste0(.路径, '文艺数据库/fx/USDJPY/'), pattern = .匹配元素) %>% 
          str_replace_all('.rds', '') %>% 
          str_replace_all('.201', '_201') %>% 
          str_split_fixed('_', '2') %>% 
          as_tibble %>% 
          rename('统计模型' = 'V1', '日期' = 'V2') %>% 
          mutate(统计模型 = factor(统计模型), 日期 = as_date(日期))
        
      布告栏 = join(tibble(日期 = 动态日), 布告栏) %>% 
          as_tibble   
      布告栏 %<>% na.omit
      
      布告栏 %<>% mutate(有否 = if_else(is.na(统计模型), 0, 1)) %>% 
          spread(统计模型, 有否)
      
      布告栏进度表 <- ldply(布告栏[,-1], function(布告栏参数) {
          na.omit(布告栏参数) %>% length }) %>% 
          rename(进度 = V1) %>% 
          mutate(完成 = length(日子), 进度 = percent(进度/完成))
      
      print(布告栏进度表)
      
      进度表 = sum(布告栏进度表$进度)/sum(布告栏进度表$完成)
      cat('\n================', as.character(percent(进度表)), '================\n\n')
      
      if (进度表 == 1) break #倘若进度达到100%就停止更新。
      
      Sys.sleep(秒计) #以上ldply()耗时3~5秒，而休息时间60秒。
    }
  } else {
    
    cat('当前中国标准时间：', as.character(now('Asia/Shanghai')), '\n\n')
      
      日子 = as_date(导入数据$年月日时分) %>% 
            unique
      动态日 = 日子
        
      if(is.null(起点)) { 
          起点 = 日子[1]
      } else if (is.Date(起点)) { 
          起点 = as_date(起点)
      } else {
          起点 = as_date(导入数据$年月日时分) %>% 
          unique
      }
    
      日子 = 日子[日子 >= 起点]
    
      布告栏 = list.files(paste0(.路径, '文艺数据库/fx/USDJPY/'), pattern = .匹配元素) %>% 
          str_replace_all('.rds', '') %>% 
          str_replace_all('.201', '_201') %>% 
          str_split_fixed('_', '2') %>% 
          as_tibble %>% 
          rename('统计模型' = 'V1', '日期' = 'V2') %>% 
          mutate(统计模型 = factor(统计模型), 日期 = as_date(日期))
        
      布告栏 = join(tibble(日期 = 动态日), 布告栏) %>% 
          as_tibble
      布告栏 %<>% na.omit
      
      布告栏 %<>% mutate(有否 = if_else(is.na(统计模型), 0, 1)) %>% 
          spread(统计模型, 有否)
        
      布告栏进度表 <- ldply(布告栏[,-1], function(布告栏参数) {
          na.omit(布告栏参数) %>% length }) %>% 
          rename(进度 = V1) %>% 
          mutate(完成 = length(日子), 进度 = percent(进度/完成))
                
    print(布告栏进度表)
    
    进度表 = sum(布告栏进度表$进度)/sum(布告栏进度表$完成)
    cat('\n================', as.character(percent(进度表)), '================\n\n')
    }
  }

4 数据

4.1 读取数据

Part I中使用的原始数据已加以修饰并储存，Part II与Part III次论文读取该数据，将网页轻巧化、省略掉修饰数据的一栏。

# --------- eval=FALSE ---------
## 检验是否已设置路径。
if(!exists('.路径')) {
  .路径 <- '/home/englianhu/Documents/GitHub/binary.com-interview-question-data/'}

## 倘若环境尚未有数据，读取文件数据。
if(!exists('dsmp')) {
  dsmp <- readRDS(paste0(.路径, '文艺数据库/fx/USDJPY/dsmp.rds'))}

# 样本 %<>% 
#   rename(
#     年月日时分 = index,    年份 = year, 季度 = quarter, 月份 = month, 周 = week, 周日 = wkdays, 
#     周分计 = wk_1m, 日分计 = dy_1m, 时分计 = hr_1m, 序列 = sq, 日期 = date, 闭市价 = close)

names(dsmp) <- c('年月日时分', '年份', '季度', '月份', '周', '周日', '周分计', '日分计', '时分计', '序列', '日期', '闭市价')

## Using lubridate for dates and times
## https://louisahsmith.github.io/R-office-hours/OH-13.html
dsmp %<>% 
  mutate(
    年月日时分 = 年月日时分 + hours(1), 
    周日 = case_when(
    周日 == 'Sunday' ~ '周日',
    周日 == 'Monday' ~ '周一',
    周日 == 'Tuesday' ~ '周二',
    周日 == 'Wednesday' ~ '周三',
    周日 == 'Thursday' ~ '周四',
    周日 == 'Friday' ~ '周五',
    周日 == 'Saturday' ~ '周六')) %>% 
  as.data.table

## 倘若该路径尚无文件，储存文件。
if(!file.exists(paste0(.路径, '文艺数据库/fx/USDJPY/样本1.rds')) & exists('dsmp')) {
  saveRDS(dsmp, paste0(.路径, '文艺数据库/fx/USDJPY/样本1.rds'))}

## ------------------------------------------------
## 倘若环境尚未有数据，读取文件数据。
if(!exists('ddsmp')) {
  ddsmp <- readRDS(paste0(.路径, '文艺数据库/fx/USDJPY/ddsmp.rds'))}

names(ddsmp) <- c('年月日时分', '年份', '季度', '月份', '周', '周日', '周分计', '日分计', '时分计', '序列', '日期', '闭市价')

ddsmp %<>% 
  mutate(
    年月日时分 = 年月日时分 + hours(1), 
    周日 = case_when(
    周日 == 'Sunday' ~ '周日',
    周日 == 'Monday' ~ '周一',
    周日 == 'Tuesday' ~ '周二',
    周日 == 'Wednesday' ~ '周三',
    周日 == 'Thursday' ~ '周四',
    周日 == 'Friday' ~ '周五',
    周日 == 'Saturday' ~ '周六')) %>% 
  as.data.table

## 倘若该路径尚无文件，储存文件。
if(!file.exists(paste0(.路径, '文艺数据库/fx/USDJPY/样本2.rds')) & exists('ddsmp')) {
  saveRDS(ddsmp, paste0(.路径, '文艺数据库/fx/USDJPY/样本2.rds'))}

由于数据上的交易时间出现时差的缘故，在读取数据后就将数据上的时间更换，添加一小时时差为中国标准时间，以确保时间规律计算方面，不会出错；周日数据中文化。

## 检验是否已设置路径。
if(!exists('.路径')) {
  .路径 <- '/home/englianhu/Documents/GitHub/binary.com-interview-question-data/'}

## 倘若环境尚未有数据，读取文件数据。
if(!exists('样本')) {
  样本 <- readRDS(paste0(.路径, '文艺数据库/fx/USDJPY/样本1.rds'))}

## 绘制样本图表
样本[c(1:3, (nrow(样本)-3):nrow(样本)),] %>% 
  kbl(caption = '每分钟价位', escape = FALSE) %>% 
  ## https://www.w3schools.com/cssref/css_colors.asp
  ## https://public.tableau.com/en-us/gallery/100-color-palettes?gallery=votd
  row_spec(0, background = 'DimGrey', color = 'gold', bold = TRUE) %>% 
  column_spec(1, background = 'CornflowerBlue') %>% 
  column_spec(2, background = 'Gray') %>% 
  column_spec(3, background = 'DarkGrey') %>% 
  column_spec(4, background = 'Gray') %>% 
  column_spec(5, background = 'DarkGrey') %>% 
  column_spec(6, background = '#4897D8') %>% 
  column_spec(7, background = '#556DAC') %>% 
  column_spec(8, background = '#92AAC7') %>% 
  column_spec(9, background = '#556DAC') %>% 
  column_spec(10, background = '#375E97') %>% 
  column_spec(11, background = 'CornflowerBlue') %>% 
  column_spec(12, background = 'LightGray', color = 'goldenrod') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>% 
  ##`full_width = FALSE`是将每列设置为伸缩性自动调整宽度。
  kable_material(full_width = FALSE) %>% 
  scroll_box(width = '100%', fixed_thead = TRUE, height = '400px')

每分钟价位
年月日时分	年份	季度	月份	周	周日	周分计	日分计	时分计	序列	日期	闭市价
2015-01-05 00:01:00	2015	1	1	1	周一	1	1	1	1	2015-01-05	120.5740
2015-01-05 00:02:00	2015	1	1	1	周一	2	2	2	2	2015-01-05	120.5900
2015-01-05 00:03:00	2015	1	1	1	周一	3	3	3	3	2015-01-05	120.6035
2018-07-06 23:57:00	2018	3	7	27	周五	7197	1437	57	1324797	2018-07-06	110.4635
2018-07-06 23:58:00	2018	3	7	27	周五	7198	1438	58	1324798	2018-07-06	110.4740
2018-07-06 23:59:00	2018	3	7	27	周五	7199	1439	59	1324799	2018-07-06	110.4740
2018-07-07 00:00:00	2018	3	7	27	周六	7200	1440	60	1324800	2018-07-07	110.4740

数据 : 1324800行 x 12列

以上图表显示数据日期，由2015-01-05 至 2018-07-07，而该数据也是在论文(Part I)、(Part II)中使用，并且相符。使用同样的数据，是为了在回测多元统计模型，才能获知并筛选最优统计模型。

5 统计建模

在此先过滤数据，从2016年的第一个预测日（开始，也就是读取的样本数据中的第二年数据开始），与论文(Part I)、(Part II)中相符。

5.1 季节性指数平滑模型（Seasonal ETS））`ts()` & `ets()`

ARIMA(p,d,q)模型中

p是自回归(AR)的项数，用来获取自变量

d是差分(I)的系数，为了使时间序列平稳

q是移动平均(MA)的项数，为了使其光滑

引用：ARIMA模型中的三个参数(p, d, q)都是什么意思?

运用SPSS 19.0软件中的相关模块进行数据处理和分析。本研究是以月份为时间单位的研究序列，故选择复合季节模型[5, 6]：ARIMA(p，d，q)(P，D，Q)s，参数p为非季节性自回归阶数，d为一般差分阶数，q为非季节性滑动平均阶数；P为季节性自回归阶数，D为季节差分阶数，Q为季节性移动平均阶数，s为季节模型的时间单位相应周期(本研究s=12)。

引用：北京市昌平区肺结核发病数ARIMA模型预测

Deriv.com - Interday High Frequency Trading Models Comparison Review (Part II)中，结论1200分钟为最优数据量，故此我将数据量设置为(1200分钟，也就是等于20个交易小时)，去预测下一分钟交易价格。然而如何灵活设置周期量与周期数、运用循环周期呢？在此尝试回测方能得以证实。

source('函数/日内分计.R')

时间索引 <- unique(样本$日期)
# 基准 <- filter(样本, 年份 == 2016)$日期[1] #"2016-01-04" 第2年第1个交易日
基准 <- 样本[年份 == 2016]$日期[1]
时间索引 %<>% .[. >= 基准]
# 时间索引 %<>% .[. >= as_date('2016-01-04')]
迭代基准 <- 样本[日期 %chin% 时间索引]$序列
数据量 <- 1200 #筛选数据中的最后1200观测值：样本[(.N - (数据量 - 1)):.N]
预测时间单位 <- 1

.模型选项 = c('MNN')

5.1.1 20小时一周期（1200分钟循环1次）

# --------- eval=FALSE ---------
循环周期 = 1200

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.2 10小时一周期（600分钟循环2次）

# --------- eval=FALSE ---------
循环周期 = 600

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.3 6.67小时一周期（400分钟循环3次）

# --------- eval=FALSE ---------
循环周期 = 400

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.4 5小时一周期（300分钟循环4次）

# --------- eval=FALSE ---------
循环周期 = 300

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.5 4小时一周期（240分钟循环5次）

# --------- eval=FALSE ---------
循环周期 = 240

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.6 3.33小时一周期（200分钟循环6次）

# --------- eval=FALSE ---------
循环周期 = 200

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.7 2.5小时一周期（150分钟循环8次）

# --------- eval=FALSE ---------
循环周期 = 150

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.8 2小时一周期（120分钟循环10次）

# --------- eval=FALSE ---------
循环周期 = 120

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.9 1.67小时一周期（100分钟循环12次）

# --------- eval=FALSE ---------
循环周期 = 100

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.10 1.33小时一周期（80分钟循环15次）

# --------- eval=FALSE ---------
循环周期 = 80

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.11 1小时一周期（60分钟循环20次）

# --------- eval=FALSE ---------
循环周期 = 60

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.12 0.83小时一周期（50分钟循环24次）

# --------- eval=FALSE ---------
循环周期 = 50

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.13 0.67小时一周期（40分钟循环30次）

# --------- eval=FALSE ---------
循环周期 = 40

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.14 半小时一周期（30分钟循环40次）

# --------- eval=FALSE ---------
循环周期 = 30

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.15 0.40小时一周期（24分钟循环50次）

# --------- eval=FALSE ---------
循环周期 = 24

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.16 0.33小时一周期（20分钟循环60次）

# --------- eval=FALSE ---------
循环周期 = 20

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.17 0.27小时一周期（16分钟循环75次）

# --------- eval=FALSE ---------
循环周期 = 16

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.18 0.25小时一周期（15分钟循环80次）

# --------- eval=FALSE ---------
循环周期 = 15

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.19 0.20小时一周期（12分钟循环100次）

# --------- eval=FALSE ---------
循环周期 = 12

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.20 0.17小时一周期（10分钟循环120次）

# --------- eval=FALSE ---------
循环周期 = 10

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.21 0.13小时一周期（8分钟循环150次）

# --------- eval=FALSE ---------
循环周期 = 8

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.22 0.10小时一周期（6分钟循环200次）

# --------- eval=FALSE ---------
循环周期 = 6

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.23 0.08小时一周期（5分钟循环240次）

# --------- eval=FALSE ---------
循环周期 = 5

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.24 0.07小时一周期（4分钟循环300次）

# --------- eval=FALSE ---------
循环周期 = 4

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.25 0.05小时一周期（3分钟循环400次）

# --------- eval=FALSE ---------
循环周期 = 3

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.26 0.03小时一周期（2分钟循环600次）

# --------- eval=FALSE ---------
循环周期 = 2

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

5.1.27 0.02小时一周期（1分钟循环1200次）

# --------- eval=FALSE ---------
循环周期 = 1

日内分计(
     时间索引 = 时间索引, 样本 = 样本, 数据量 = 数据量, 循环周期 = 循环周期, 
     预测时间单位 = 预测时间单位, .模型选项 = .模型选项)

6 模型比较

6.1 Read Models

6.1.1 Grouped Models

VAR分析中的一个中心问题是找到滞后的阶数，以产生最佳结果。模型比较通常基于信息标准，例如AIC，BIC或HQ。通常，由于是小样本预测，AIC优于其他标准。但是，BIC和HQ在大型样本中效果很好

引用：R语言用向量自回归（VAR）进行经济数据脉冲响应研究分析

Here I read the saved models.

Due to the models only forecast 1440 mins (but not 7200 mins) in advance, here I no need to filter the forecast price.

7 结论

7.1 摘要

7.2 Final Conclude

From final stage models comparison, we know that ******* is the βest model.

7.3 Future Studies

Next papers will compare tbats, midas, sarimax etc.

8 附录

8.1 幕后花絮

8.2 文书明细

以下乃此文书的文件信息。

文集建立日：2021-02-03
文集最新更新日：2022-06-29
R version 4.2.0 (2022-04-22)
rmarkdown 程序包版本：2.14
文集版本：0.2.1
文集作者：®γσ, ξηg Lιαη Ημ
猫舍：源代码
追加附属信息

#suppressMessages(require('formattable', quietly = TRUE))
#suppressMessages(require('knitr', quietly = TRUE))
#suppressMessages(require('kableExtra', quietly = TRUE))
#suppressMessages(require('magittr', quietly = TRUE))
#suppressMessages(require('devtools', quietly = TRUE))

系统信息1 <- session_info()$platform |> 
    unlist() |> 
    {\(.) data.frame(row.names = 1:length(.), 
                     Category = names(.), session_info = .)}()

系统信息2 <- data.frame(Sys.info()) |> 
    {\(.) data.frame(Category = row.names(.), Sys.info = .[,1])}()

#remarks, dim(系统信息1), dim(系统信息2)
if (nrow(系统信息1) == 11 && nrow(系统信息2) == 8) {
  系统信息2 <- 系统信息2 |> 
    {\(.) rbind(., data.frame(
    Category = c('rmarkdown', 'rsconnect', '当前时间'), 
    Sys.info = c(as.character(getwd()), 
                 as.character(packageVersion('rsconnect')), 
                 paste(as.character(lubridate::now('Asia/Shanghai')), 'CST 中国标准时间 🗺'))))}()
  
} else if (nrow(系统信息1) == 10 && nrow(系统信息2) == 8) {
  系统信息1 <- rbind(系统信息1, data.frame(Category = '', session_info = ''))
  
  系统信息2 <- 系统信息2 |> 
    {\(.) rbind(., data.frame(
    Category = c('rmarkdown', 'rsconnect', '当前时间'), 
    Sys.info = c(as.character(getwd()), 
                 as.character(packageVersion('rsconnect')), 
                 paste(as.character(lubridate::now('Asia/Shanghai')), 'CST 中国标准时间 🗺'))))}()
}

系统信息 <- cbind(系统信息1, 系统信息2)
names(系统信息) <- c('分类1', '访谈信息1', '分类2', '访谈信息2')
系统信息$分类1 <- c('版本', '操作系统', '系统', '界面', '语言', '核对', '©标准库', '时区', '日期', '®文艺坊版本', 'Pandoc瑞士军刀')
系统信息$分类2 <- c('系统名称', '发布', '版本', '元素节点', '机器', '登录', '用户', '活跃用户', 'rmarkdown (®降价编译)', 'rsconnect (®s联通)', '当前时间')
rm(系统信息1, 系统信息2)

系统信息 |> 
  {\(.) 
    kbl(., caption = '附加访谈信息：')}() |> 
  {\(.) 
    kable_styling(., bootstrap_options = c('striped', 'hover', 'condensed', 'responsive'))}() |> 
  {\(.) 
    row_spec(., 0, background = 'DimGrey', color = 'yellow')}() |> 
  {\(.) 
    column_spec(., 1, background = 'CornflowerBlue', color = 'red')}() |> 
  {\(.) 
    column_spec(., 2, background = 'grey', color = 'black')}() |> 
  {\(.) 
    column_spec(., 3, background = 'CornflowerBlue', color = 'blue')}() |> 
  {\(.) 
    column_spec(., 4, background = 'grey', color = 'white')}() |> 
  {\(.) 
    row_spec(., 11, bold = TRUE, color = 'yellow', background = '#D7261E')}()

附加访谈信息：
分类1	访谈信息1	分类2	访谈信息2
版本	R version 4.2.0 (2022-04-22)	系统名称	Linux
操作系统	Ubuntu 22.04 LTS	发布	5.15.0-40-generic
系统	x86_64, linux-gnu	版本	#43-Ubuntu SMP Wed Jun 15 12:54:21 UTC 2022
界面	X11	元素节点	ScibrokesTrading
语言	cn	机器	x86_64
核对	en_US.UTF-8	登录	englianhu
©标准库	en_US.UTF-8	用户	englianhu
时区	Asia/Tapei	活跃用户	englianhu
日期	2022-06-29	rmarkdown (®降价编译)	/home/englianhu/Documents/GitHub/binary.com-interview-question
®文艺坊版本	2.17.1.1 @ /usr/lib/rstudio/bin/quarto/bin/ (via rmarkdown)	rsconnect (®s联通)	0.8.26
Pandoc瑞士军刀		当前时间	2022-06-29 18:01:30.923388 CST 中国标准时间 🗺

8.3 参考文献

尤其是咱们东南亚屠杀630万人类的巫师Judi邪教宦官巫裔博彩庄诸国↩︎

Deriv.com - Interday High Frequency Trading Models Comparison Review (Part III)

®γσ, ξηg Lιαη Ημ ®

2022-06-29